دسته: مقالات علمی

مدل‌های چندوجهی زبانی (MLLMs) در درک کلیات عالی هستند، اما وقتی نوبت به کارهای ظریف فیزیکی می‌رسد، هنوز دچار چالش می‌شوند. محققان برای رفع…

محققان در دستاورد جدیدی مدل قدرتمند TCAM را معرفی کرده‌اند که دنیای بینایی ماشین را یک گام به جلو برده است. این مدل برخلاف…

تا به حال برایتان پیش آمده که بخواهید کیفیت یک تصویر آسیب‌دیده یا بی‌کیفیت را بازیابی کنید، اما مدل‌های موجود نتوانند نوع خرابی را…

تولید ویدیو با هوش مصنوعی هر روز واقعی‌تر می‌شود، اما هنوز با مشکلاتی مثل «تغییر شکل‌های عجیب» یا «عدم ثبات هندسی» دست‌وپنجه نرم می‌کنیم.…

محققان در یک دستاورد تازه، روشی به نام «ALF» یا همان «ادغام لایه‌های توجه‌محور» را معرفی کردند که دقت مدل‌های Vision Transformer (ViT) را…

محققان در یک ارزیابی جدید، عملکرد «مدل‌های بزرگ بینایی-زبانی» (LVLM) را برای تشخیص اشیاء در شرایط پیچیده رانندگی (SOTIF) بررسی کرده‌اند. نتایج نشان می‌دهد…

مدل‌های بینایی-زبانی-عملگر (VLA) که مسئول کنترل ربات‌ها هستند، گاهی اوقات به جای گوش دادن به دستورات ما، فقط بر اساس عادت‌ها و سوگیری‌های آموزشی…

دوربین‌های رویدادمحور (Event-based) به دلیل سرعت بالا، پتانسیل زیادی در تشخیص اشیاء دارند، اما چالش‌هایی مثل پیچیدگی محاسبات همیشه مانع پیشرفت آن‌ها بوده است.…

محققان در دستاورد جدیدی به سراغ حل یکی از بزرگترین چالش‌های خودروهای خودران رفتند: درک محیط‌های سه‌بعدی و پویا با استفاده از دوربین‌های «چشم‌ماهی»…

تکنولوژی 3D Gaussian Splatting (3DGS) برای رندرینگ صحنه‌های سه بعدی فوق‌العاده است، اما حجم بالای مدل‌ها همیشه یک چالش بزرگ بوده. حالا محققان با…